生成AIとAmazon Bedrockの基礎

Shunku
#AWS#Amazon Bedrock#Generative AI#Foundation Models

Amazon Bedrockは、主要なAI企業の高性能な基盤モデル（FM）に統一APIでアクセスできるフルマネージドサービスです。この記事では、生成AIの基礎とBedrockでAIアプリケーションを構築する方法を解説します。

生成AIとは？

生成AIは、学習データから学んだパターンに基づいて、テキスト、画像、コード、音声、動画などの新しいコンテンツを作成できるAIシステムです。

flowchart LR
    A["入力プロンプト"] --> B["基盤モデル"]
    B --> C["生成された出力"]

    subgraph Examples["例"]
        D["テキスト → テキスト"]
        E["テキスト → 画像"]
        F["テキスト → コード"]
    end

    style B fill:#8b5cf6,color:#fff

主な特徴

特徴 説明
創造的 検索ではなく新しいコンテンツを生成
文脈理解 自然言語を理解して応答
汎用的 タスク固有の学習なしで複数タスクに対応
確率的 同じ入力でも出力が異なる場合がある

Amazon Bedrockとは？

Amazon Bedrockは、複数の基盤モデルに単一APIでアクセスでき、インフラを管理せずに生成AIアプリケーションを構築できます。

flowchart TB
    subgraph Bedrock["Amazon Bedrock"]
        API["統一API"]

        subgraph Models["基盤モデル"]
            Claude["Anthropic Claude"]
            Titan["Amazon Titan"]
            Llama["Meta Llama"]
            Mistral["Mistral AI"]
            Stable["Stability AI"]
            Cohere["Cohere"]
        end
    end

    App["アプリケーション"] --> API
    API --> Models

    style Bedrock fill:#232f3e,color:#fff
    style API fill:#ff9900,color:#000

主なメリット

メリット 説明
フルマネージド インフラのプロビジョニング・管理不要
モデル選択 1つのAPIで複数のFMにアクセス
セキュリティ データはAWSアカウント内に保持
カスタマイズ 自社データでモデルをファインチューニング
統合 AWSサービスとのネイティブ連携

Bedrockの基盤モデル

Amazon Titan

Amazonの基盤モデルファミリー。

モデル 機能 ユースケース
Titan Text テキスト生成 要約、Q&A、チャット
Titan Embeddings ベクトル埋め込み セマンティック検索、RAG
Titan Image Generator 画像生成 クリエイティブコンテンツ
Titan Multimodal Embeddings テキスト+画像埋め込み マルチモーダル検索

Anthropic Claude

安全性と有用性で知られるモデル。

モデル コンテキストウィンドウ 最適な用途
Claude 3.5 Sonnet 200Kトークン バランスの取れた性能
Claude 3 Opus 200Kトークン 複雑な推論
Claude 3 Haiku 200Kトークン 高速、コスト効率

Meta Llama

強力な性能を持つオープンウェイトモデル。

モデル パラメータ数 特徴
Llama 3.1 8B 80億 高速推論
Llama 3.1 70B 700億 高品質
Llama 3.1 405B 4050億 最先端

Mistral AI

効率的なヨーロッパのモデル。

モデル ユースケース
Mistral 7B 汎用
Mixtral 8x7B エキスパート混合
Mistral Large 複雑なタスク

Stability AI

画像生成の専門家。

モデル 機能
Stable Diffusion XL 高品質画像生成
Stable Image Core 高速画像生成
Stable Image Ultra フォトリアリスティック画像

Bedrockのコア機能

1. モデル推論

flowchart LR
    A["プロンプト"] --> B["InvokeModel API"]
    B --> C["基盤モデル"]
    C --> D["レスポンス"]

    style B fill:#ff9900,color:#000

2. Knowledge Bases（RAG）

FMをプライベートデータソースに接続。

flowchart TB
    A["ドキュメント"] --> B["Knowledge Base"]
    B --> C["ベクトルストア"]
    D["クエリ"] --> E["Retrieve & Generate"]
    C --> E
    E --> F["根拠のある回答"]

    style B fill:#3b82f6,color:#fff

3. Agents

アクションを実行できる自律型AIエージェントを構築。

flowchart TB
    A["ユーザーリクエスト"] --> B["Agent"]
    B --> C["アクション計画"]
    C --> D["ツール実行"]
    D --> E["結果を返す"]

    style B fill:#22c55e,color:#fff

4. Guardrails

責任あるAIのセーフガードを実装。

ガードレール 機能
コンテンツフィルター 有害コンテンツをブロック
禁止トピック 特定の話題を制限
PIIフィルター 機密情報を編集
ワードフィルター 特定の単語をブロック

5. モデルカスタマイズ

自社データでモデルをファインチューニング。

方法 説明
継続事前学習 ドメイン固有の言語に適応
ファインチューニング タスク固有の例で学習

料金モデル

Bedrockは柔軟な料金オプションを提供。

オプション 説明 最適な用途
オンデマンド トークン単位で課金 変動するワークロード
バッチ 割引されたバッチ処理 大規模オフラインジョブ
Provisioned Throughput 予約容量 一定のワークロード

はじめる

1. モデルアクセスを有効化

AWSコンソール → Amazon Bedrock → モデルアクセス → モデルを有効化

2. 最初のAPI呼び出し（Python）

import boto3
import json

# Bedrock Runtimeクライアントを作成
client = boto3.client('bedrock-runtime', region_name='us-east-1')

# Claudeモデルを呼び出し
response = client.invoke_model(
    modelId='anthropic.claude-3-sonnet-20240229-v1:0',
    body=json.dumps({
        "anthropic_version": "bedrock-2023-05-31",
        "max_tokens": 1024,
        "messages": [
            {"role": "user", "content": "こんにちは、Claude！"}
        ]
    })
)

# レスポンスをパース
result = json.loads(response['body'].read())
print(result['content'][0]['text'])

3. Converse APIの使用（統一インターフェース）

response = client.converse(
    modelId='anthropic.claude-3-sonnet-20240229-v1:0',
    messages=[
        {"role": "user", "content": [{"text": "こんにちは！"}]}
    ],
    inferenceConfig={
        "maxTokens": 1024,
        "temperature": 0.7
    }
)

print(response['output']['message']['content'][0]['text'])

モデル選択ガイド

flowchart TB
    A["ユースケースは？"] --> B{"テキスト or 画像？"}
    B -->|テキスト| C{"複雑さは？"}
    B -->|画像| D["Stable Diffusion / Titan Image"]

    C -->|複雑な推論| E["Claude Opus / Llama 405B"]
    C -->|一般的なタスク| F["Claude Sonnet / Llama 70B"]
    C -->|高速・低コスト| G["Claude Haiku / Llama 8B"]

    style A fill:#3b82f6,color:#fff

ベストプラクティス

プラクティス 推奨事項
シンプルに始める オンデマンド料金から開始
モデルをテスト タスクに対して複数モデルを評価
Converse APIを使用 モデル間で統一されたインターフェース
ログを有効化 使用状況を追跡し問題をデバッグ
ガードレールを実装 最初から安全対策を追加

重要なポイント

  1. Bedrockは統一アクセスを提供 - 単一APIで複数の基盤モデルにアクセス
  2. インフラ管理不要 - フルマネージドサービス
  3. 複数の機能 - 推論、RAG、エージェント、ガードレール
  4. データはプライベート - モデルはあなたのデータで学習しない
  5. 適切なモデルを選択 - 品質、速度、コストのバランス

次のステップ

  • AWSアカウントでモデルアクセスを設定
  • Bedrockプレイグラウンドでインタラクティブにテスト
  • モデル固有のプロンプト技術を学ぶ
  • RAGアプリケーション用のKnowledge Basesを探索

参考文献

ブログに戻る